class: title-slide, middle, center background-image: url(img/LOGO-UM-COLOR-H.png) background-position: top right background-size: 20% <br> .line_space_09[ ## Ambulatory or residential? ### .text_80[a multistate analysis of treatments readmission among people recovering from substance use disorders] ] <br> .line_space_11[ <br> .text_70[] .text_110[Presentación para ] ] .bg-text[ <hr /> 4 de marzo, 2022 .text_100[Andrés González Santa Cruz, MA] .text_70[andres.gonzalez@umayor.cl] ] <br> <img src="data:image/png;base64,#./img/blank_space.png" width="15%" /> --- layout: true class: animated, fadeIn --- ## Antecedentes (1) <!---- https://www.rdocumentation.org/packages/RefManageR/versions/1.3.0/topics/Cite ----> + Los trastornos por uso de sustancias (TUS) son una de las causas de mortalidad y morbilidad principales en el mundo, se asocian a múltiples problemas de salud y vulnerabilidad social. `\(^{[1; 2; 3; 4]}\)` -- + Poca evidencia sobre la manera en que las modalidades de tratamiento, los resultados de tratamiento y subsecuentes tratamientos se despliegan a lo largo del tiempo. - Tratamientos residenciales se asocian a menores resultados negativos <sup>a,b,c, d & e</sup>. - No existen diferencias significativas entre modalidades de tratamiento <sup>f,g & h</sup> - Un debate sin sentido (ej. por enfoques distintos, otras variables explican mejor diferencias) <sup>i & j</sup> -- + Pero las comparaciones pueden ser **engañosas**: - Sólo una sustancia o un grupo de ellas (ej. opioides) - Enfoques terapéuticos específicos (ej. tratamientos de prescripción de metadona, cognitivo-conductual) - En subpoblaciones (ej. veteranos) - Poco tiempo de seguimiento (ej. 6 meses a un año) .line_space_05[ .text_60[ .footnote[ [a] Budde D, Rounsaville B, Bryant K. (1992). Inpatient and outpatient cocaine abusers: clinical comparisons at intake and one-year follow-up. J Subst Abuse Treat., 9(4), 337-42. doi: 10.1016/0740-5472(92)90028-m. PMID: 1336069.<br> [b] Rychtarik RG, McGillicuddy NB, Papandonatos GD, Whitney RB, Connors GJ. (2017). Randomized clinical trial of matching client alcohol use disorder severity and level of cognitive functioning to treatment setting: A partial replication and extension. Psychology of Addictive Behaviors : Journal of the Society of Psychologists in Addictive Behaviors,31(5),513-523. DOI: 10.1037/adb0000253.<br> [c] Hubbard, R. L., Craddock, S. G., & Anderson, J. (2003). Overview of 5-year followup outcomes in the drug abuse treatment outcome studies (DATOS). Journal of substance abuse treatment, 25(3), 125–134. https://doi.org/10.1016/s0740-5472(03)00130-2<br> [d] Canadian Agency for Drugs & Technologies in Health [CADTH] (2017, Nov.). Inpatient and outpatient treatment programs for substance use disorder: a review of clinical effectiveness and guidelines. Ottawa: CADTH rapid response report: summary with critical appraisal. <br> [e] Stahler GJ, Mennis J, DuCette JP (2016). Residential and outpatient treatment completion for substance use disorders in the U.S.: Moderation analysis by demographics and drug of choice. Addictive Behaviors,58, 129-135. doi: 10.1016/j.addbeh.2016.02.030.<br> [f] McCarty D, Braude L, Lyman DR, Dougherty RH, Daniels AS, Ghose SS, Delphin-Rittmon ME (2014). Substance abuse intensive outpatient programs: assessing the evidence. Psychiatric Services, 65(6), 718-726.<br> [g] Finney JW, Hahn AC & Moos RH (1996). The effectiveness of inpatient and outpatient treatment for alcohol abuse: the need to focus on mediators and moderators of setting effects. Addiction, 91, 1773-1796. doi: 10.1046/j.1360-0443.1996.911217733.x<br> [h] Proctor SL, Herschman PL (2014). "The Continuing Care Model of Substance Use Treatment: What Works, and When Is “Enough,” “Enough?”", Psychiatry Journal, 692423, 16. doi: 10.1155/2014/692423<br> [i] Eastwood B, Peacock A, Millar T, Jones A, Knight J, Horgan P, Lowden T, Willey P, Marsden J (2018). Effectiveness of inpatient withdrawal and residential rehabilitation interventions for alcohol use disorder: A national observational, cohort study in England. J Subst Abuse Treat. 88, 1-8. doi: 10.1016/j.jsat.2018.02.001. PMID: 29606222.<br> [j] McPherson C, & Boyne H, Waseem R (2017). Understanding the Factors that Impact Relapse Post-residential Addiction Treatment, a Six Month Follow-up from a Canadian Treatment Centre. Journal of Alcoholism & Drug Dependence. 05. 10.4172/2329-6488.1000268. ] ] ] --- ## Antecedentes (2) + La asignación de pacientes a distintas modalidades de tratamiento es **endógena** a sus características `\(^{[5; 6; 7]}\)` + Los tratamientos residenciales son casi 2 veces más caros que los tratamientos ambulatorios-intensivos + La decisión de asignación se basa en prácticas de los centros, disponibilidad de tratamientos sin considerar la efectividad o eficacia empírica de los tratamientos + Los TUS deben entenderse desde la perspectiva de una **enfermedad crónica**, con trayectorias y dinámicas en el tiempo `\(^{[8; 9]}\)` + Hablamos de resultados negativos o positivos, ¿**Cómo evaluar** la efectividad o eficacia de un tratamiento en base a sus resultados? - Completar el tratamiento - Readmisión: Medida indirecta de recaída, o punto en que el paciente pierde o teme perder el control de su comportamiento -- ### En Chile + SENDA, más cobertura tratamientos por TUS - Define estándares - Compra - Supervisa `\(^{[10]}\)` + Atiende a ~15,000 anualmente y monitorea la mayoría de trat. públicos (~73%) `\(^{[11; 12]}\)` + 2009, SISTRAT ??? - Una de las razones por las que este debate se ha dejado de lado radica en las importantes diferencias basales entre pacientes de tratamientos ambulatorios y residenciales, pero también sus preferencias por distintas modalidades. - SENDA es la institución que cubre mayor parte de la demanda por tratamientos y de aquellos que tienen seguro de salud público --- class: center, middle ## Objetivo Estimar los efectos de la modalidad de tratamiento por trastornos por uso de sustancias (ambulatorios vs. residenciales) en subsiguientes readmisiones a tratamientos por uso de sustancias. --- ## Métodos .pull-left[**Población y muestra** + Diseño de cohorte retrospectiva + Datos adminsitrativos de tratamientos (n=109,379) de pacientes adultos (+18) (n=84,755), cursando tratamientos desde el 2010 al 2019 + Se generó una muestra comparable de pacientes en tratamientos residenciales y ambulatorios en base a las siguientes variables: .text_70[ - Estatus marital - Estatus ocupacional - Nivel de estudios - Sustancia de inicio - Frecuencia de uso de la sustancia principal al ingreso - Origen/Motivo de ingreso a tratamiento - Sexo - Edad al ingreso - Edad de inicio de consumo de sustancias - Región en la que fue atendido - Tipo de centro - Fecha de ingreso - Comorbilidad psiquiátrica - Diagnóstico secundario de trastornos por uso de sustancias (dependencia)]] -- .pull-right[ **Variables** + Exposición: Modalidad de tratamiento al primer tratamiento registrado + Resultado: - Readmisiones - Completar tratamiento **Plan de análisis** + Imputación de datos perdidos en cada variable de interés (~0 a 8~%) `\(^{[13; 14]}\)`. + Generación de muestra comparable en base a *pareamiento* 1 a 1 (*Cardinallity matching*) `\(^{[15; 16; 17]}\)`. + **Análisis principal:** Modelo multiestado, semi-Markov, selección de modelos (parsimonia), probabilidades de transición y tiempos de estadía en cada estado `\(^{[18; 16; 17; 19; 20; 21]}\)`. + **Análisis secundario:** Modelo multiestado flexible y Versión extendida del modelo Cox `\(^{[22; 23; 24]}\)`. ] ??? - **Exposición**: Modalidad. resulta de la deliberación del equipo clínico en base a antecedentes, perfil, lugar y disponibilidad. + residenciales apuntan a perosnas vulnerables, con un perfil de dependencia de sustancias, falta de soporte, desórdenes psiquiátricos y baja autoeficacia. Se espera que duren 12 meses y entregarse 7 veces a la semana. + ambulatorio: ocupación (estudiando o trabajando), comorbilidad psiquiátrica leve, soporte social, etc. Se espera que duren 6-8 meses, y que sean atendidos entre 2-5 días a la semana. - Variables de resultado: Readmisión (experimentar una readmisión en el período posterior al primer tratamiento), o Completar o no tratamientos (Alta terapéutica vs. derivaciones a centros externos a SENDA, alta administrativa o abandono) **Plan de análisis** - 3 variables continuas y 11 categóricas con 56 categorías de respuesta distintas buscando minimizar las diferencias medias estandarizadas (SMD) - El tiempo en los estados presentes/previos influye en la probabilidad de ocurrencia de un evento (transición) en un tiempo t. - Elección de cada distribución de supervivencia en cada transición en base a parsimonia (AIC) - Cálculo de probabilidades de transición a los 3 meses, 1, 3 y 5 años. - **Secundario** Modelo multiestado flexible en base a splines cúbicos restringidos para cada transición - Versión extendida del modelo Cox que permite coeficientes variables en el tiempo, estratificados por readmisiones y varianza robusta a fragilidad por cada usuario ____ --- ## Resultados (1) .pull-left[ <img src="data:image/png;base64,#pres_2022_files/figure-html/unnamed-chunk-2-1.png" width="100%" height="100%" style="display: block; margin: auto;" /> - 90% residenciales, pareados con 16% ambulatorios a la base (n=11,456)] -- .pull-right[ .details-code[ ```r var_names_2022<- list("origen_ingreso_mod_Spontaneous"="Origen ingreso~-~Espontáneo", "origen_ingreso_mod_Assisted Referral"= "Origen ingreso~-~Derivación asistida", "origen_ingreso_mod_Other"="Origen ingreso~-~Otro", "origen_ingreso_mod_Justice Sector"= "Origen ingreso Admission~-~Sector justicia", "origen_ingreso_mod_Health Sector"="Origen ingreso~-~Sector salud", "dg_cie_10_rec_Without psychiatric comorbidity"="Comorbilidad psiquiátrica~-~Ausencia", "dg_cie_10_rec_Diagnosis unknown (under study)"="Comorbilidad psiquiátrica~-~Desconocida/En estudio", "dg_cie_10_rec_With psychiatric comorbidity"="Comorbilidad psiquiátrica~-~Presencia", "sexo_2_Women"="Sexo~-~Mujer", "edad_al_ing"="Edad al ingreso~-~ ", "fech_ing_num"="Fecha de ingreso~-~ ", "duplicates_filtered"="Tratamientos (#)", "more_one_treat"=">1 tratamiento", "sus_ini_mod_mvv_Alcohol"= "Sustancia de inicio~-~Alcohol", "sus_ini_mod_mvv_Cocaine hydrochloride"= "Sustancia de inicio~-~Clorhidrato de Cocaína", "sus_ini_mod_mvv_Cocaine paste"="Sustancia de inicio~-~Pasta base", "sus_ini_mod_mvv_Marijuana"="Sustancia de inicio~-~Marihuana", "sus_ini_mod_mvv_Other"="Sustancia de inicio~-~Otra", "estado_conyugal_2_Married/Shared living arrangements"="Estatus marital~-~Married/Shared liv. arr.", "estado_conyugal_2_Separated/Divorced"="Estatus marital~-~Separado/a o divorciado/a", "estado_conyugal_2_Single"= "Estatus marital~-~Soltero/a", "estado_conyugal_2_Widower"="Estatus marital~-~Viudo/a", "escolaridad_rec_3-Completed primary school or less"="Nivel educacional~-~Primaria o menos", "escolaridad_rec_2-Completed high school or less"="Nivel educacional~-~Secundaria o menos", "escolaridad_rec_1-More than high school"="Nivel educacional~-~Mayor a secundaria", "freq_cons_sus_prin_1 day a week or more"="Frecuencia consumo~-~1d/sem o más", "freq_cons_sus_prin_2 to 3 days a week"="Frecuencia consumo~-~2 a 3d/sem", "freq_cons_sus_prin_4 to 6 days a week"="Frecuencia consumo~-~4 a 6d/sem", "freq_cons_sus_prin_Daily"="Frecuencia consumo~-~Diario", "freq_cons_sus_prin_Did not use"="Frecuencia consumo~-~No consumió", "freq_cons_sus_prin_Less than 1 day a week"="Frecuencia consumo~-~< 1d/sem", "nombre_region_Antofagasta (02)"="Región~-~Antofagasta(02)", "nombre_region_Araucanía (09)"="Región~-~Araucanía(09)", "nombre_region_Arica (15)"="Región~-~Arica(15)", "nombre_region_Atacama (03)"="Región~-~Atacama(03)", "nombre_region_Aysén (11)"="Región~-~Aysén(11)", "nombre_region_Biobío (08)"="Región~-~Biobío(08)", "nombre_region_Coquimbo (04)"="Región~-~Coquimbo(04)", "nombre_region_Los Lagos (10)"="Región~-~Los Lagos(10)", "nombre_region_Los Ríos (14)"="Región~-~Los Ríos(14)", "nombre_region_Magallanes (12)"="Región~-~Magallanes(12)", "nombre_region_Maule (07)"="Región~-~Maule(07)", "nombre_region_Metropolitana (13)"="Región~-~Metropolitana(13)", "nombre_region_Ñuble (16)"="Región~-~Ñuble(16)", "nombre_region_O'Higgins (06)"="Región~-~O'Higgins(06)", "nombre_region_Tarapacá (01)"="Región~-~Tarapacá(01)", "nombre_region_Valparaíso (05)"="Región~-~Valparaíso(05)", "tipo_centro_pub"="Tipo de centro~-~Público", "dg_trs_cons_sus_or"= "Trastorno de Dependencia~-~ ", "edad_ini_cons"="Edad inicial de consumo~-~ ", "condicion_ocupacional_corr_Employed"="Estatus ocupacional~-~Empleado", "condicion_ocupacional_corr_Inactive"="Estatus ocupacional~-~Inactivo", "condicion_ocupacional_corr_Looking for a job for the first time"="Estatus ocupacional~-~Buscando 1er trabajo", "condicion_ocupacional_corr_No activity"="Estatus ocupacional~-~Sin actividad", "condicion_ocupacional_corr_Not seeking for work"="Estatus ocupacional~-~No busca trabajo", "condicion_ocupacional_corr_Unemployed"="Estatus ocupacional~-~Desempleado", "rn"="Treatment") # tipo_centro_pub_TRUE # dg_trs_cons_sus_or_TRUE loveplot_bal3 <- # Generate plot smd_df_prev_match_after_match %>% dplyr::mutate(vars=dplyr::case_when(vars=="dg_trs_cons_sus_or_TRUE"~"dg_trs_cons_sus_or",vars=="tipo_centro_pub_TRUE"~"tipo_centro_pub",T~vars)) %>% dplyr::left_join(tibble::rownames_to_column(data.frame(unlist(var_names_2022)),'vars'), by="vars") %>% dplyr::rename("unlist_var_nms_22"="unlist.var_names_2022.") %>% dplyr::mutate(unlist_var_nms_22= sub("Freq Drug Cons","Primary Substance Usage Freq.",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Motive Admission","Treatment Admission Motive",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Cocaine hydrochloride","Snort cocaine",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Age of Onset of Drug Use","Substance Use Onset Age",unlist_var_nms_22))%>% dplyr::mutate(unlist_var_nms_22= sub("Occ.Status","Employment Status",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Age at Admission","Admission Age",unlist_var_nms_22)) %>% tidyr::separate(unlist_var_nms_22,c("var","cat"), sep="~-~") %>%# View() dplyr::mutate(unlist_var_nms_22=paste0(cat,"~-~",var)) %>% # dplyr::mutate(unlist_var_nms_22= wrap.labels(unlist_var_nms_22, 25)) %>% # dplyr::mutate(unlist_var_names= # dplyr::case_when(unlist_var_names)) %>% ggplot(aes(x = reorder(unlist_var_nms_22, value), y = value, group = variable, color = variable)) + geom_hline(yintercept = 0.2, color = "black", size = 0.2, linetype="dashed") + coord_flip() + theme_bw() + theme(legend.key = element_blank()) + labs(y = "Diferencias absolutas estandarizadas\nen medias",x = "",color="",shape="") + scale_y_continuous(limits = c(0,max(smd_df_prev_match_after_match$value+.05)), breaks = seq(0,1.5,by=.1)) + scale_color_manual(values=c("gray20","black"), labels=paste0(c("Antes ","Después "),"del\nmatching")) + geom_point(aes(shape=variable),size=4) + scale_shape_manual(values=c(8,16), labels=paste0(c("Antes ","Después "),"del\nmatching")) + theme(panel.spacing.x = unit(0,"line")) + theme(text = element_text(size=13), legend.background=element_blank(), legend.key = element_rect(colour = "transparent", fill = "transparent"), legend.position = c(max(smd_df_prev_match_after_match$value)*.65,.5))+ theme(axis.text.x = ggtext::element_markdown())+ guides(y = ggh4x::guide_axis_nested(delim = "~-~", order=1)) loveplot_bal3+ggtitle("Figura. SMD's antes y\ndespues de matching\n") ``` <!-- --> ] ] ??? - En la **primera figura** se muestra el esquema multiestado de readmisiones sucesivas. La cuarta readmisión agrupa el 99,1% de los registros. El resto son readmisiones posteriores. Se eligieron 4 readmisiones en base a una encuesta aplicada en estados unidos en el que las personas respondieron tener en promedio 5 intentos de recuperación en el curso de sus vidas al ser la readmisión un proxy de relapse (Kelly et al 2019). Kelly JA-O, Greene MC, Bergman BG, White WL, Hoeppner BB. How Many Recovery Attempts Does it Take to Successfully Resolve an Alcohol or Drug Problem? Estimates and Correlates From a National Study of Recovering U.S. Adults. Alcohol Clin Exp Re 2019;43:1533-1544. - Incidencia de readmisión: 54/1000 años/persona en ambulatorios, vs. 80/1000 años/persona en residenciales. - **Balance:** Elegimos SMD>0,15, salvo en la fecha de ingreso en que obtuvimos 0,16, lo cual fue relajado dado que no se requería un criterio muy estricto de pareamiento en esta variable. El resto obtuvo un balance perfecto. Por ejemplo, * menos residenciales consumen alcohol, pero más consumen marihuana y pasta base * menos casados y más solteros * más con menor educación (1aria o menos) * muchos más con consumo diario * menos espontáneos, muchos más asistidos, menos justicia * menos sin comorbilidad psiquiatra * más en Arica y Parinacota (15), Tarapacá (01) and Antofagasta (02) * menos empleados o inactivos, * más mujeres * admitidos más temprano (M=67 días) * ingresaron dos años más temprano a tratamiento en promedio --- ## Resultados (2) <!--- #Distribuciones de supervivencia elegidas por AIC y RMSEA, Tabla de eso; Explicación de las características de un lognormal, que agrupa personas que se demoran mucho y muy poco, que es una distribución poco común; Ambas AFT; no asumen riesgos proporcionales; Se mira el TR---> <!---https://www.tablesgenerator.com/markdown_tables---> <style> td { font-size: 50% } </style> .pull-left[| | a | | b | | c | | d | | |--------------------------|-----------------|---------------------|-----------------|---------------------|-----------------|-------------------|-----------------|-------------------| | **Parámetros** | **Estimación** | **95%IC** | **Estimación** | **95%IC** | **Estimación** | **95%IC** | **Estimación** | **95%IC** | | σ | 0.89 | 0.87, 0.90 | 0.72 | 0.67, 0.77 | 0.50 | 0.44, 0.56 | 0.50 | 0.39, 0.60 | | κ | -1.33 | -1.44, -1.22 | -0.52 | -0.69, -0.35 | | | | | | Intercepto | 7.91 | 7.81, 8.02 | 7.49 | 7.33, 7.65 | 7.40 | 7.17, 7.63 | 7.09 | 6.62, 7.56 | | Residencial (AFT) | 0.50 | 0.47, 0.54 | 0.98 | 0.87, 1.10 | 0.92 | 0.76, 1.11 | 0.95 | 0.67, 1.33 | .line_space_05[ .text_60[Nota. a=Admisión a readmisión, b= Readmisión a segunda readmisión, c= Segunda a tercera readmisión, d= Tercera a cuarta readmisión. Distribuciones gamma generalizadas incluyen los parámetros σ (sigma) y κ (Kappa), mientras que las distribuciones Lognormales incluyen el parámetro σ.<br> 95%IC= Intervalos de confianza al 95%<br> Los modelos también incluyeron las siguientes covariables: Compeltar o no el tratamiento para cada transición (a medida que se avanzó en cada transición) y el tiempo utilizado en los estados previos]]] -- .pull-right[ .details-code[ ```r pres_22_lab<-c("1)Admisión a 1^{era} readmisión","2)1^{era} a 2^{da} readmisión", "3)2^{da} a 3^{era} readmisión", "4)3^{era} a 4^{ta} readmision") attr(pres_22_lab,"names")<-1:4 cumhaz_par<- dplyr::bind_rows(cbind(summary(fits_c_ggam_orig2[[1]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=1, mod="Res"), cbind(summary(fits_c_ggam_orig2[[1]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=1, mod="Amb"), cbind(summary(fits_c_ggam_orig2[[2]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=2, mod="Res"), cbind(summary(fits_c_ggam_orig2[[2]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=2, mod="Amb"), cbind(summary(fits_c_logn2[[3]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=3, mod="Res"), cbind(summary(fits_c_logn2[[3]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=3, mod="Amb"), cbind(summary(fits_c_logn2[[4]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=4, mod="Res"), cbind(summary(fits_c_logn2[[4]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=4, mod="Amb")) dplyr::bind_rows(cbind.data.frame(cumhaz_par,type="NP"), cbind.data.frame(msf0$Haz %>% dplyr::rename("est"="Haz"),mod="Amb", type="Par"), cbind.data.frame(msf1$Haz %>% dplyr::rename("est"="Haz"),mod="Res", type="Par")) %>% dplyr::mutate(time=time/365.25) %>% dplyr::mutate(trans=factor(trans,labels=c(expression("1==~Admisión~a~readm."),expression("2==~ 1^{era}~a~2^{da}~readm."), expression("3==~2^{da}~a~3^{era}~readm."), expression("4==~3^{era}~a~4^{ta}~readm.")))) %>% ggplot(aes(x=time, y=est, color=type,linetype=mod))+ geom_step()+ facet_wrap(~trans, ncol=3, scales="free_y",labeller = label_parsed)+ scale_color_manual(name = "Estimación", values=c("#3C3C3B","#FEDA3F"), labels= c("No Paramétrica","Paramétrica")) + # "#A65100" #"Cox", #3C3C3B #FEDA3F scale_linetype_manual(name= "Modalidad",values=c(1,4), labels=c("Ambulatoria","Residencial")) + xlab("Años") + ylab("Hazards acumulados") + theme_minimal()+ #sjPlot::theme_sjplot() theme(legend.position=c(.8,.2), legend.title = element_text(size=15), legend.text = element_text(size=11), axis.text.x = element_text(size=11), axis.text.y = element_text(size=11), strip.text = element_text(size = 13) )+ ggtitle("Figura. Hazards acumulados por transición") ``` <!-- --> ] ] ??? *****************NOTA****************************** - Para las primeras dos transiciones, las distribuciones con mayor parsimonia de acuerdo al criterio de información de Akaike fue la gamma generalizada para las primeras 2 transiciones (AIC12=121,298; AIC23=36,658) y la log-normal en la tercera y cuarta transición (AIC34=11,546; AIC45=3,624). - Ambos son modelos bastante flexibles con varios parámetros y con la particularidad de que no asumen riesgos proporcionales. La función de riesgo no queda explícita y debe ser calculada para cada intervalo de tiempo t. Cuando k<> 0, el modelo lognormal no es tan adecuado como el gamma generalizado. Es de los modelos más flexibles por su cantidad de parámetros y se le ha utilizado en modelos de progresión de cancer. El modelo lognormal, en cambio, no es comunmente aceptado en análisis de sobrevida y se observa cuando se mezclan individuos con marcadas diferencias en sus tiempos de sobrevida. - **factor de aceleración** Los modelos AFT asumen que los efectos de las covariables son constantes y multiplicativos en la escala de tiempo. Ese efecto se denomina factor de aceleración, que representa la razón de supervivencia correspondiente a cualquier valor fijado de tiempo de supervivencia. - De otra manera, TR/AFT puede verse como el tiempo de supervivencia esperado, o el tiempo mediano de supervivencia de la población 2 es c veces lo mismo que el de la población 1. O razón de sobrevida calculada bajo distintas condiciones, para cualquier tiempo fijo t. - Se ejemplifica con un modelo Lognormal: `\(log\lambda(t|z)=log\lambda_0(te^{-z^T\beta})\)` --- ## Resultados (3) <!--- #Probabilidades de transición, diferencias. Decir que se hicieron hatos perfiles, pero que se grafdico con el principal con 3 años de llegada---> .pull-left[ .details-code[ <img src="data:image/png;base64,#pres_2022_files/figure-html/unnamed-chunk-3-1.png" width="100%" height="100%" style="display: block; margin: auto;" /> ] ] -- .pull-right[ <img src="data:image/png;base64,#pres_2022_files/figure-html/porb_trans-1.png" width="100%" height="100%" style="display: block; margin: auto;" /> ] ??? - Pacientes en modalidad residencial (vs. ambulatoria) tenían una probabilidad levemente mayor que posteriormente va a creciendo (las diferencias ajustadas más bajas fueron de 1,3% 95IC:1.1, 1.5 a los 3 meses de seguimiento). - Completar tratamiento a la base redujola probabilidad de ser readmitido por al menos 1,2% (95%CI: -1%,-1.3% a los 3 meses) comparado con quienes no completaron el tratamiento, sin importar quien lo hiciera. - Cox-extended model with time-varying coefficients--> modelo cox semiparamétrico con efectos variables en el tiempo parciales, estratificados por cada readmisión y clustering por pacientes, de esta manera corrigiendo la varianza para dar cuenta por eventos recurrentes en cada sujeto--> HR [hazard ratio]=1.15 95% CI: 1.05, 1.26 --- ## Conclusiones **Hallazgos** - La modalidad residencial de tratamiento a la base no reduce la probabilidad de readmisión. De hecho, más pacientes experimentaron readmisión a tratamiento. Ciertos factores pueden contextualizar los hallazgos: - Superposición de tratamiento, tratamientos combinados - Nuevos lineamientos de SENDA - El criterio de completar tratamiento y ser readmitido debe ser problematizado -- **Limitaciones** 1. Bases de datos administrativas 2. Pareamiento 1 a 1 3. Variables no medidas 4. Existen otros resultados que podrían sesgar la ocurrencia de readmisión (*competidores*) 5. Rol de la readmisión 6. Tratamientos previos (ej. en tr. para adolescentes) que podrían predisponer su susceptibilidad a readmisiones 7. Se calcularon probabilidades basados en perfiles, no marginales, por su implementación computacional -- **Eventual Contribución** - A la literatura creciente que da cuenta de dinámicas longitudinales en el estudio de TUS - A estudios con datos empíricos de la región - Seguimiento de 10 años - Análisis de sensibilidad -- **Desafíos futuros** - Explorar las trayectorias de tratamiento desde una perspectiva de un conjunto de tratamientos sucesivos o cercanamente continuos (ej., combinación de un tratamiento residencial y un ambulatorio) - Incluir otros programas/instrumentos como SENDA Oportunidades o TOP ??? - Estos hallazgos no son suficientes para señalar que los tratamientos ambulatorios son más efectivos que los residenciales. - En UK o US, se ha discutido fuertemente el rol de los tratamientos residenciales en un contexto de menor financiamiento a ellos. - El COVID19 ha impactado negativamente en su oferta - No se puede juzgar la efectividad de un tratamiento en un contexto en que de acuerdo a la 13avo estudio nacional de uso de drogas en la población general de 2018, 1 en 10 usuarios problemáticos de sustancias fueron tratados por TUS. - Crossover, usuarios pasan de tratamiento residencial a ambulatorio, para reintegrarse, continuo de cuidados - Completar tratamiento, ¿por qué si bien completar tratamiento reduce las probabiliaddes de readmisión, pero los tratamientos residenciales completaron tratamientos en mayor proporción?, en un estudio previo, los nuevos lineamientos de SENDA buscan que los residenciales duren menos de manera que los pacientes sean derivados a tiempo a una mayor parte de servicios haciendo que el abandono sea menos probable, lo que es distinto al convenio SENDA-MINSAL - Abandonar el tratamiento antes de tiempo no debiese ser visto de manera aislada y no debe ser visto como un resultado no-deseado y algunas personas que abandonan pueden tener otros resultados favorables a futuro (ej. abandona para trabajar); Las readmisiones pueden expresar involucramiento en tratar sus síntomas antes de que empeoren. - Datos de la región que se extienden a más de una jurisdicción, políticas de un centro específico, etc. - Es una primera aproximación a la intrincada relación entre distintos resultados de tratmaiento y la modalidad de los tratamientos --- class: center, middle # ¡Muchas Gracias! <br> <div class="centered"> Contacto: andres.gonzalez@umayor.cl </div> <br> <br> <br> <img src="data:image/png;base64,#./img/logo-es.png" width="300" style="display: block; margin: auto;" /> <br> --- ## Fuentes [1] GBD 2017 Disease `and` Injury Incidence `and` Prevalence Collaborators. "Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017". In: _Lancet_ 392 (2018), pp. 1789-1858. DOI: [10.1016/S0140-6736(18)32279-7](https://doi.org/10.1016%2FS0140-6736%2818%2932279-7). [2] Institute for Health Metrics `and` Evaluation. _GBD Compare Data Visualization_. Generic. 2019. URL: [http://vizhub.healthdata.org/gbd-compare](http://vizhub.healthdata.org/gbd-compare). [3] National Institute on Drug Abuse[NIDA]. _Part 1: The Connection Between Substance Use Disorders and Mental Illness_. Report. National Institute on Drug Abuse, . URL: [https://www.drugabuse.gov/publications/research-reports/common-comorbidities-substance-use-disorders/part-1-connection-between-substance-use-disorders-mental-illness](https://www.drugabuse.gov/publications/research-reports/common-comorbidities-substance-use-disorders/part-1-connection-between-substance-use-disorders-mental-illness). [4] United Nations[UN]. _World Drug Report 2019 (Sales No. E.19.XI.8)_. Generic. 2020. URL: [https://digitallibrary.un.org/record/3830902](https://digitallibrary.un.org/record/3830902). [5] C. P. Krebs, K. J. Strom, W. H. Koetse, et al. "The Impact of Residential and Nonresidential Drug Treatment on Recidivism Among Drug-Involved Probationers: A Survival Analysis". In: _Crime & Delinquency_ 55.3 (2008), pp. 442-471. ISSN: 0011-1287. DOI: [10.1177/0011128707307174](https://doi.org/10.1177%2F0011128707307174). URL: [https://doi.org/10.1177/0011128707307174](https://doi.org/10.1177/0011128707307174). [6] M. E. Hollis, W. G. Jennings, and S. Hankhouse. "An Outcome Evaluation of a Substance Abuse Program for Probationers: Findings from a Quasi-Experimental Design". In: _American Journal of Criminal Justice_ 44.3 (2019), pp. 395-408. ISSN: 1936-1351. DOI: [10.1007/s12103-019-9472-z](https://doi.org/10.1007%2Fs12103-019-9472-z). URL: [https://doi.org/10.1007/s12103-019-9472-z](https://doi.org/10.1007/s12103-019-9472-z). [7] M. Nuijten, P. Blanken, B. van der Hoorn, et al. "A randomised controlled trial of outpatient versus inpatient integrated treatment of dual diagnosis patients: a failed but informative study". In: _Mental Health and Substance Use_ 5.2 (2012), pp. 132-147. ISSN: 1752-3281. DOI: [10.1080/17523281.2011.628947](https://doi.org/10.1080%2F17523281.2011.628947). URL: [https://doi.org/10.1080/17523281.2011.628947](https://doi.org/10.1080/17523281.2011.628947). [8] R. J. McQuaid, R. Jesseman, and B. Rush. "Examining Barriers as Risk Factors for Relapse: A focus on the Canadian Treatment and Recovery System of Care". In: _The Canadian journal of addiction_ 9.3 (2018), pp. 5-12. ISSN: 2368-4720. DOI: [10.1097/CXA.0000000000000022](https://doi.org/10.1097%2FCXA.0000000000000022). URL: [https://pubmed.ncbi.nlm.nih.gov/30197927 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110379/](https://pubmed.ncbi.nlm.nih.gov/30197927 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110379/). --- ## Fuentes (2) [9] W. White. _Recovery/remission from substance use disorders: an analysis of reported outcomes in 415 scientific reports, 1868–2011_. Report. Philadelphia Department of Behavioral Health and Intellectual disAbility Services and the Great Lakes Addiction Technology Transfer Center, 2012. URL: [http://www.williamwhitepapers.com/pr/2012 [10] A. Pérez-Gómez and J. Mejía-Trujillo. "The Evolution of Alcohol and Drug Prevention Strategies in Latin America". In: _The Cambridge Handbook of International Prevention Science_. Ed. by J. L. Romano and M. Israelashvili. Cambridge Handbooks in Psychology. Cambridge: Cambridge University Press, 2016, pp. 753-779. ISBN: 9781107087972. DOI: [DOI: 10.1017/9781316104453.033](https://doi.org/DOI%3A%2010.1017%2F9781316104453.033). URL: [https://www.cambridge.org/core/books/cambridge-handbook-of-international-prevention-science/evolution-of-alcohol-and-drug-prevention-strategies-in-latin-america/D5388B39AE929D5E91DA5DC78D7F06F0](https://www.cambridge.org/core/books/cambridge-handbook-of-international-prevention-science/evolution-of-alcohol-and-drug-prevention-strategies-in-latin-america/D5388B39AE929D5E91DA5DC78D7F06F0). [11] Ministerio de Salud[MINSAL]. _Norma y orientaciones técnicas de los planes de tratamiento y rehabilitación para personas adultas con problemas derivados del consumo de drogas_. Legal Rule or Regulation. 2012. URL: [https://www.senda.gob.cl/wp-content/uploads/2012/08/OrientacionesTecnicas_CentrosdeTratamiento.pdf](https://www.senda.gob.cl/wp-content/uploads/2012/08/OrientacionesTecnicas_CentrosdeTratamiento.pdf). [12] Fondo Nacional de Salud[FONASA]. _Boletín estadístico 2017-2018_. Government Document. URL: [https://www.fonasa.cl/sites/fonasa/adjuntos/boletin_estadistico_20172018](https://www.fonasa.cl/sites/fonasa/adjuntos/boletin_estadistico_20172018). [13] J. Honaker, G. King, and M. Blackwell. "Amelia II: A Program for Missing Data". In: _Journal of Statistical Software; Vol 1, Issue 7 (2011)_ (2011). URL: [https://www.jstatsoft.org/v045/i07 http://dx.doi.org/10.18637/jss.v045.i07](https://www.jstatsoft.org/v045/i07 http://dx.doi.org/10.18637/jss.v045.i07). [14] Z. Zhang. "Multiple imputation for time series data with Amelia package". In: _Annals of translational medicine_ 4.3 (2016), pp. 56-56. ISSN: 2305-5839 2305-5847. DOI: [10.3978/j.issn.2305-5839.2015.12.60](https://doi.org/10.3978%2Fj.issn.2305-5839.2015.12.60). URL: [https://pubmed.ncbi.nlm.nih.gov/26904578 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4740012/](https://pubmed.ncbi.nlm.nih.gov/26904578 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4740012/). [15] J. Zubizarreta, C. Kilcioglu, and J. Vielma. "designmatch: Matched samples that are balanced and representative by design". In: _R package version 0.3_ 1 (2018). [16] M. Bennett, J. P. Vielma, and J. R. Zubizarreta. "Building Representative Matched Samples With Multi-Valued Treatments in Large Observational Studies". In: _Journal of Computational and Graphical Statistics_ 29.4 (2020), pp. 744-757. ISSN: 1061-8600. DOI: [10.1080/10618600.2020.1753532](https://doi.org/10.1080%2F10618600.2020.1753532). URL: [https://doi.org/10.1080/10618600.2020.1753532](https://doi.org/10.1080/10618600.2020.1753532). --- ## Fuentes (3) [17] G. Visconti and J. R. Zubizarreta. "Handling limited overlap in observational studies with cardinality matching". In: _Observational Studies_ 4 (2018), pp. 217-249. [18] C. Williams, J. D. Lewsey, A. H. Briggs, et al. "Cost-effectiveness Analysis in R Using a Multi-state Modeling Survival Analysis Framework: A Tutorial". In: _Medical Decision Making_ 37.4 (2016), pp. 340-352. ISSN: 0272-989X. DOI: [10.1177/0272989X16651869](https://doi.org/10.1177%2F0272989X16651869). URL: [https://doi.org/10.1177/0272989X16651869](https://doi.org/10.1177/0272989X16651869). [19] A. Bullement, H. L. Cranmer, and G. E. Shields. "A Review of Recent Decision-Analytic Models Used to Evaluate the Economic Value of Cancer Treatments". In: _Applied Health Economics and Health Policy_ 17.6 (2019), pp. 771-780. ISSN: 1179-1896. DOI: [10.1007/s40258-019-00513-3](https://doi.org/10.1007%2Fs40258-019-00513-3). URL: [https://doi.org/10.1007/s40258-019-00513-3](https://doi.org/10.1007/s40258-019-00513-3). [20] A. C. Titman and H. Putter. "General tests of the Markov property in multi-state models". In: _Biostatistics_ (2020). ISSN: 1465-4644. DOI: [10.1093/biostatistics/kxaa030](https://doi.org/10.1093%2Fbiostatistics%2Fkxaa030). URL: [https://doi.org/10.1093/biostatistics/kxaa030](https://doi.org/10.1093/biostatistics/kxaa030). [21] M. J. Crowther. "merlin—A unified modeling framework for data analysis and methods development in Stata". In: _The Stata Journal_ 20.4 (2020), pp. 763-784. ISSN: 1536-867X. DOI: [10.1177/1536867X20976311](https://doi.org/10.1177%2F1536867X20976311). URL: [https://doi.org/10.1177/1536867X20976311](https://doi.org/10.1177/1536867X20976311). [22] M. J. Crowther and P. C. Lambert. "Parametric multistate survival models: Flexible modelling allowing transition-specific distributions with application to estimating clinically useful measures of effect differences". In: _Statistics in Medicine_ 36.29 (2017), pp. 4719-4742. ISSN: 0277-6715. DOI: [https://doi.org/10.1002/sim.7448](https://doi.org/https%3A%2F%2Fdoi.org%2F10.1002%2Fsim.7448). URL: [https://doi.org/10.1002/sim.7448](https://doi.org/10.1002/sim.7448). [23] T. Scheike T. Martinussen. _Dynamic Regression Models for Survival Data_. Statistics for Biology and Health. New York: Springer-Verlag New York, 2006. ISBN: 978-0-387-33960-3. DOI: [10.1007/0-387-33960-4](https://doi.org/10.1007%2F0-387-33960-4). [24] T. H. Scheike and M. J. Zhang. "Analyzing Competing Risk Data Using the R timereg Package". In: _J Stat Softw_ 38.2 (2011). ISSN: 1548-7660 (Print) 1548-7660.